Direct naar de inhoud
Cybersecurity

AI-agenten in exploits: sneller misbruik van patches

AI-agenten in exploits

Google meldt dat aanvallers hun inzet van AI-agenten in exploits hebben opgeschaald. Waar eerder vooral “handmatig prompten” volstond, worden nu autonome multi-agent frameworks gebruikt om sneller in meerdere fases binnen te dringen. Het gevolg: de periode tussen het uitkomen van een patch en het daadwerkelijk misbruiken ervan wordt merkbaar korter.

In dit artikel lees je welke technieken Google beschrijft, waarom dit een verschuiving betekent in het tempo van aanvallen en wat organisaties praktisch kunnen doen om de impact te beperken.

Van prompten naar autonome aanvalsketens

Volgens Google gaat het misbruik verder dan het inzetten van AI als hulpmiddel voor één specifieke stap. Threat actors experimenteren met autonome, multi-agent offensieve omgevingen die meerdere activiteiten achter elkaar uitvoeren. In de rapportage worden frameworks genoemd die bedoeld zijn om intrusies in afzonderlijke stappen uit te voeren met hogere operationele snelheid.

Google ziet daarbij een patroon: aanvallen worden “op machine-snelheid” uitgevoerd en vervolgens opgeschaald door verschillende aanvalsroutes aan elkaar te koppelen. Zelfs als de onderliggende aanvalstechniek niet volledig nieuw is, maakt de geautomatiseerde keten de uitvoering sneller en doelgerichter.

LLM’s die patches omzetten naar wapenbare exploits

Een belangrijk punt in het Google-rapport is het automatiseren van het reverse-engineeringproces rond beveiligingspatches. Aanvallers gebruiken LLM-gedreven workflows om verschillen tussen versies te analyseren (differentiële analyse) en zo sneller tot een werkbaar inzicht te komen over een kwetsbaarheid.

Daarbij gaat het niet alleen om technische analyse. Google beschrijft ook het verkorten van de stap richting proof-of-concept (POC) en het uiteindelijk “weaponizen” van een gerepareerde kwetsbaarheid. Door grote delen van dit traject te automatiseren, blijft er minder tijd en ruimte over tussen bekendmaking van de fix en de eerste aanvallen in het wild.

Waarom de window tussen patch en aanval krimpt

Google licht toe dat het voor aanvallers efficiënter kan zijn om LLM’s te gebruiken om snel patched “n-day” situaties om te zetten in iets dat praktisch misbruikt kan worden. Dat komt doordat onderzoekers zich kunnen richten op een afgebakende set bronmateriaal.

Concreet benoemt Google bronnen die vaak binnen handbereik liggen voor wie doelgericht zoekt: vergelijkingen tussen codeversies (ook uit pre-release of preview), release notes, security research en bestaande POC-code rondom specifieke fouten. Door dit proces te versnellen, wordt de tijdlijn voor aanvallen strakker.

Open-source pentesting en agentic frameworks verlagen de drempel

Een tweede factor is de beschikbaarheid van open-source agentic penetration-testing tooling. Google koppelt die ontwikkeling aan een lagere “barrière tot instappen”: kwaadwillenden kunnen gemakkelijker nieuwe exploits integreren en geautomatiseerde aanvalstappen zelfstandig opschalen.

In het rapport komt ook naar voren dat zulke frameworks niet alleen helpen bij technische exploitontwikkeling, maar ook bij het opzetten van overtuigende social engineering. Wanneer de aanvaller sneller technische voorbereiding kan combineren met sneller phishing-werk, ontstaat een algehele versnelling van het incident van begin tot eind.

Misbruik van AI-infrastructuur: LLMjacking en ‘mixers’

Naast het ontwikkelen van exploits beschrijft Google een tweede misbruikroute: het aanvallen van de AI-infrastructuur zelf. Aanvallers zouden proberen LLM-credentials en cloudresources te stelen uit gecompromitteerde enterprise-omgevingen en die vervolgens door te verkopen.

Google noemt in dit verband underground proxy-achtige diensten, aangeduid als “LLM mixers”, waarbij toegang tegen lagere prijzen opnieuw wordt aangeboden. Dit is een extra verdienmodel dat losstaat van één specifieke kwetsbaarheid.

Voor organisaties betekent dit dat beveiliging niet alleen om patches en servers draait, maar ook om de omgeving waar AI-diensten draaien: accounts, keys, routes en integraties.

LLM’s in phishing: automatisering zonder diepe technische kennis

Google noemt ook een Chinese-language phishingplatform (Jieyou) dat een LLM-chatbot-onderdeel integreert. Daarmee kunnen klanten phishingpanelen configureren en bestaande templates aanpassen met natuurlijke taalcommando’s.

Het punt dat Google benadrukt: dit verlaagt de benodigde technische kennis voor het aanpassen van lures en voor het dynamisch bijstellen van de phishing-interface. In plaats van handmatig payloads of templates te redigeren, kan de gebruiker via de chatbot aanpassingen “aansturen”. Dat maakt het mogelijk om campagnes sneller te variëren en gerichter te testen.

Wat kun je nu doen? Focus op snelheid en controle

De rode draad in de Google-waarnemingen is tempo: aanvallers automatiseren analyse en voorbereiding, waardoor de tijd om te reageren korter wordt. Dat vraagt om twee dingen: snelle patching en betere controle op zowel IT- als AI-gerelateerde onderdelen.

1) Maak patchmanagement meetbaar

Stuur op een haalbare maar strakke doorlooptijd voor het testen en uitrollen van beveiligingsupdates. Leg prioriteit bij systemen die extern bereikbaar zijn, bij direct aanvalsrelevante onderdelen en bij software die vaak in exploitketens terugkomt.

2) Verminder de ‘attack surface’ rondom updateprocessen

Werk niet alleen de applicaties bij, maar controleer ook afhankelijkheden en integraties waar updates mogelijk niet doorwerken (bijvoorbeeld tussenlagen, connectors of deploymentpijplijnen). Daarmee verklein je de kans dat een patch wel is uitgerold, maar niet effectief is voor het werkelijke aanvalsoppervlak.

3) Beveilig AI-accounts, sleutels en routing

Omdat Google ook LLMjacking beschrijft, is het verstandig om te inventariseren welke AI-credentials en cloudresources in de organisatie worden gebruikt. Minimaliseer rechten, voorkom ongecontroleerde toegang tot keys en monitor ongebruikelijke AI-aanroep-patronen.

4) Check je defensies tegen snelle ‘chain attacks’

Wanneer aanvallen via agentic ketens in meerdere fases lopen, zijn detectie en respons cruciaal. Zorg dat je logging, alerting en incidentrespons zich richten op het volledige verloop: van eerste aanwijzing tot laterale beweging en mogelijke exploituitvoering.

Gerelateerd: eerdere signalen van AI-gedreven supply chain misbruik

Als je wilt zien hoe AI-ecosystemen ook via supply chain routes gecompromitteerd kunnen worden, past het volgende artikel goed bij dit thema. Daarin gaat het om een incident waarbij gestolen AI-credentials werden misbruikt richting een trojanized extensie.

Conclusie

Google schetst een duidelijk beeld: AI-agenten in exploits verschuiven van experimentele assistentie naar autonome ketens die analyse, POC-voorbereiding en exploitontwikkeling versnellen. Door LLM’s te combineren met agentic frameworks en open-source pentesting tooling, krimpt de tijd tussen patch en aanval, terwijl phishing en andere voorbereidende stappen sneller kunnen worden geautomatiseerd.

Voor organisaties is het antwoord vooral praktisch: versnel patchdeployment, verbeter controle rondom AI-credentials en monitor op signalen van ketenaanvallen. Zo blijft je verdediging toekomstbestendig tegen het nieuwe, hogere tempo van aanvallers.

Bron: https://thehackernews.com/2026/11/google-finds-hackers-using-ai-agents-to.html